知识点学习路径构建方法、装置、设备以及存储介质制造方法及图纸

本发明专利技术涉及自然语言处理领域，特别涉及一种知识点学习路径构建方法、装置、设备以及存储介质，利用历史学习记录数据以及交互学习记录数据对学生知识点掌握情况进行静态认知诊断，获得表征学生与习题之间的关联信息的认知关联数据，根据认知关联数据进行知识追踪，获得表征学生知识点掌握情况的知识掌握数据，从而提高构建知识点学习路径构建的自适应性，提高知识点学习路径的准确性，更加符合学生的当前知识点掌握情况。前知识点掌握情况。前知识点掌握情况。

【技术实现步骤摘要】
知识点学习路径构建方法、装置、设备以及存储介质


[0001]本专利技术涉及自然语言处理领域，特别涉及一种知识点学习路径构建方法
、
装置
、
设备以及存储介质
。

技术介绍

[0002]知识点学习路径构建方法考虑学科知识结构
、
学习目标
、
学习进度等因素，为学生推荐合适的学习资源和学习内容，有助于学生更高效地学习和掌握知识，提高学习效果
。
[0003]为了不断提升学习者知识水平，需要准确评估其当前认知情况，并在此基础上设计有针对性的学习路径，因此设计恰当的深度学习网络，从而有效利用学生以往的学习记录和习题中知识点的分布以实现知识追踪，并在此基础上结合强化学习框架完成最优学习路径的推荐，是自适应学习必须解决的关键问题之一
。

技术实现思路

[0004]基于此，本专利技术提供一种知识点学习路径构建方法
、
装置
、
设备以及存储介质，利用历史学习记录数据以及交互学习记录数据对学生知识点掌握情况进行静态认知诊断，获得表征学生与习题之间的关联信息的认知关联数据，根据认知关联数据进行知识追踪，获得表征学生知识点掌握情况的知识掌握数据，从而提高构建知识点学习路径构建的自适应性，提高知识点学习路径的准确性，更加符合学生的当前知识点掌握情况
。
[0005]第一方面，本申请实施例提供了一种知识点学习路径构建方法，包括以下步骤：获得学生的历史学习记录数据以及交互学习记录数据，其中，所述历史学习记录数据包括若干个习题，所述习题与若干个知识点相关联，所述交互学习记录数据包括各个所述习题的各个知识点的得分向量；将所述历史学习记录数据输入至预设的知识点预测模型，获得知识点预测数据，其中，所述知识点预测数据包括若干个所述习题关联的知识点分布数据；将所述知识点预测数据输入至预设的认知诊断模型，获得认知关联数据，其中，所述认知关联数据用于指示学生与习题之间的关联信息；将所述认知关联数据以及交互学习记录数据输入至预设的知识追踪模型，获得知识掌握数据，其中，所述知识掌握数据包括若干个所述习题关联的知识点掌握数据；根据所述知识掌握数据，构建知识导航图，根据所述知识导航图以及预设的知识图谱，构建知识导航数据，其中，所述知识导航图包括若干个知识节点，所述知识导航数据用于指示知识点之间的关联信息；将所述知识掌握数据以及知识导航数据输入至预设的知识点学习路径构建模型，构建各个所述习题的知识点学习路径
。
[0006]第二方面，本申请实施例提供了一种知识点学习路径构建装置，包括：数据获取模块，用于获得学生的历史学习记录数据以及交互学习记录数据，其中，所述历史学习记录数据包括若干个习题，所述习题与若干个知识点相关联，所述交互学习
记录数据包括各个所述习题的各个知识点的得分向量；知识点预测模块，用于将所述历史学习记录数据输入至预设的知识点预测模型，获得知识点预测数据，其中，所述知识点预测数据包括若干个所述习题关联的知识点分布数据；认知诊断模块，用于将所述知识点预测数据输入至预设的认知诊断模型，获得认知关联数据，其中，所述认知关联数据用于指示学生与习题之间的关联信息；知识追踪模块，用于将所述认知关联数据以及交互学习记录数据输入至预设的知识追踪模型，获得知识掌握数据，其中，所述知识掌握数据包括若干个所述习题关联的知识点掌握数据；知识导航数据构建模块，用于根据所述知识掌握数据，构建知识导航图，根据所述知识导航图以及预设的知识图谱，构建知识导航数据，其中，所述知识导航图包括若干个知识节点，所述知识导航数据用于指示知识点之间的关联信息；知识点学习路径构建模块，用于将所述知识掌握数据以及知识导航数据输入至预设的知识点学习路径构建模型，构建各个所述习题的知识点学习路径
。
[0007]第三方面，本申请实施例提供了一种计算机设备，包括：处理器
、
存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如第一方面所述的知识点学习路径构建方法的步骤
。
[0008]第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的知识点学习路径构建方法的步骤
。
[0009]在本实施例中，提供一种知识点学习路径构建方法
、
装置
、
设备以及存储介质，利用历史学习记录数据以及交互学习记录数据对学生知识点掌握情况进行静态认知诊断，获得表征学生与习题之间的关联信息的认知关联数据，根据认知关联数据进行知识追踪，获得表征学生知识点掌握情况的知识掌握数据，从而提高构建知识点学习路径构建的自适应性，提高知识点学习路径的准确性，更加符合学生的当前知识点掌握情况
。
[0010]为了更好地理解和实施，下面结合附图详细说明本专利技术
。
附图说明
[0011]图1为本申请一个实施例提供的知识点学习路径构建方法的流程示意图；图2为本申请一个实施例提供的知识点学习路径构建方法中
S2
的流程示意图；图3为本申请一个实施例提供的知识点学习路径构建方法中
S3
的流程示意图；图4为本申请一个实施例提供的知识点学习路径构建方法中
S4
的流程示意图；图5为本申请一个实施例提供的知识点学习路径构建方法中
S5
的流程示意图；图6为本申请一个实施例提供的知识点学习路径构建方法中
S6
的流程示意图；图7为本申请一个实施例提供的知识点学习路径构建方法中
S7
的流程示意图；图8为本申请一个实施例提供的知识点学习路径构建方法中
S8
的流程示意图；图9为本申请一个实施例提供的知识点学习路径构建装置的结构示意图；图
10
为本申请一个实施例提供的计算机设备的结构示意图
。
具体实施方式
[0012]这里将详细地对示例性实施例进行说明，其示例序列在附图中
。
下面的描述涉及附图时，除非另有序列，不同附图中的相同数字序列相同或相似的要素
。
以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式
。
相反，它们仅是与如所附权利要求书中所详述的
、
本申请的一些方面相一致的装置和方法的例子
。
[0013]在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请
。
在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地序列其他含义
。
还应当理解，本文中使用的术语“和
/
或”是指并包含一个或多个的列出项目的任何或所有可能组合
。
[0014]应当理解，尽管在本申请可能采用术语第一...

【技术保护点】

【技术特征摘要】
1.
一种知识点学习路径构建方法，其特征在于，包括以下步骤：获得学生的历史学习记录数据以及交互学习记录数据，其中，所述历史学习记录数据包括若干个习题，所述习题与若干个知识点相关联，所述交互学习记录数据包括各个所述习题的各个知识点的得分向量；将所述历史学习记录数据输入至预设的知识点预测模型，获得知识点预测数据，其中，所述知识点预测数据包括若干个所述习题关联的知识点分布数据；将所述知识点预测数据输入至预设的认知诊断模型，获得认知关联数据，其中，所述认知关联数据用于指示学生与习题之间的关联信息；将所述认知关联数据以及交互学习记录数据输入至预设的知识追踪模型，获得知识掌握数据，其中，所述知识掌握数据包括若干个所述习题关联的知识点掌握数据；根据所述知识掌握数据，构建知识导航图，根据所述知识导航图以及预设的知识图谱，构建知识导航数据，其中，所述知识导航图包括若干个知识节点，所述知识导航数据用于指示知识点之间的关联信息；将所述知识掌握数据以及知识导航数据输入至预设的知识点学习路径构建模型，构建各个所述习题的知识点学习路径
。2.
根据权利要求1所述的知识点学习路径构建方法，其特征在于：所述习题包括若干个单词；所述将所述历史学习记录数据输入至预设的知识点预测模型，获得知识点预测数据，包括步骤：对所述历史学习记录数据中各个习题进行词嵌入处理，获得各个所述习题的词嵌入序列，对各个所述习题的词嵌入序列进行编码处理，获得各个所述习题的编码序列；根据各个所述习题的编码序列以及预设的知识点分布计算算法，获得各个所述习题关联的知识点分布向量，作为所述知识点分布数据，构建所述知识点预测数据，其中，所述知识点分布计算算法为：式中，为第
i
个习题关联的知识点分布向量，为多层感知机函数，为第
i
个习题的编码序列
。3.
根据权利要求2所述的知识点学习路径构建方法，其特征在于，所述将所述知识点预测数据输入至预设的认知诊断模型，获得认知关联数据，包括步骤：获得学生标识向量以及历史记录数据中各个习题的习题标识向量，根据所述学生标识向量
、
习题标识向量以及预设的判别算法，获得习题掌握程度向量
、
习题知识难度向量以及习题辨识度向量，其中，所述判别算法为：式中，为习题掌握程度向量，为学生标识向量，为习题知识难度向量，
为第
i
个习题的习题标识向量，为习题辨识度向量，
A、B、C
分别为第一
、
第二
、
第三可训练权重矩阵，为激活函数；根据所述知识点预测数据
、
习题掌握程度向量
、
习题知识难度向量
、
习题辨识度向量以及预设的认知关联向量计算算法，获得若干个习题的认知关联向量，将若干个习题的认知关联向量进行组合，获得所述认知关联数据，其中，所述认知关联向量计算算法为：式中，为第
i
个习题的认知关联向量
。4.
根据权利要求3所述的知识点学习路径构建方法，其特征在于：所述知识追踪模型包括长短期记忆网络；所述将所述认知关联数据以及交互学习记录数据输入至预设的知识追踪模型，获得知识掌握数据，包括步骤：根据所述认知关联数据以及交互学习记录数据，将同一个习题的认知关联向量以及得分向量进行拼接，构建学习记录表示，其中，所述学习记录表示包括若干个习题的学习记录向量；根据所述学习记录表示以及预设的维度转换算法，获得低维学习记录表示，其中，所述低维学习记录表示包括若干个习题的低维学习记录向量，所述维度转换算法为：式中，为第
i
个习题的低维学习记录向量，为第四可训练权重矩阵，为第
i
个习题的学习记录向量；根据所述认知关联数据
、
低维学习记录表示以及预设的融合信息表示计算算法，获得融合信息表示，其中，所述融合信息表示包括若干个习题的融合信息向量，所述融合信息表示计算算法为：式中，为第
i
个习题的融合信息向量，为拼接符号；将所述融合信息表示输入至所述长短期记忆网络，根据预设的循环算法，获得知识掌握数据，其中，所述知识掌握数据包括若干个习题的知识点掌握向量，所述知识掌握向量包括若干个知识点的知识掌握子向量，所述循环算法为：式中，为第
i
个习题的输入门输出的向量，为第
i
个习题的遗忘门输出的向量，为
第
i
个习题的记忆单元输出的向量，为第
i
个习题的输出门输出的向量，为所述长短期记忆网络的第一
、
第二
、
第三
、
第四
、
第五
、
第六
、
第七
、
第八以及第九可训练权重矩阵，为所述长短期记忆网络的第一
、
第二
、
第三
、
第四以及第五偏置向量，为第
i
个习题的隐藏层状态向量，为第
i
个习题的知识掌握子向量
。5.
根据权利要求4所述的知识点学习路径构建方法，其特征在于：所述知识图谱包括若干个知识节点以及若干个知识节点之间进行连接的知识边，所述知识边用于指示连接的知识点之间的关系，根据所述知识导航图中的主知识节点以及次知识节点；所述根据所述知识掌握数据，构建知识导航图，根据所述知识导航图以及预设的知识图谱，构建知识导航数据，包括步骤：根据所述知识掌握数据中，若干个所述习题关联的知识点掌握数据以及预设的知识点掌握阈值，将若干个所述习题关联的知识点划分为主知识点以及次知识点，将所述主知识点设为主知识节点，所述次知识点设为次知识节点，构建知识导航图；分别获得所述主知识节点与对应的各个潜在知识节点连接的知识边的距离参数以及所述次知识节点与对应的各个潜在知识节点连接的知识边的距离参数，根据所述距离参数以及预设的距离阈值，从所述潜在知识节点中，提取所述主知识节点以及次知识节点对应的若干个关联知识节点；根据所述知识边，将所述关联知识节点划分为前驱关联知识节点以及后驱关联知识节点，获得所述知识导航图对应的知识导航数据，...

【专利技术属性】
技术研发人员：刘俊希，薛云，郑章楷，林逸浩，吴承彦，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：